百度给做网站吗,云渲染网站开发,精美公司网站源码,网站 备案 中国 名字本文介绍一个新的道路标记检测数据集#xff0c;论文收录于 WACV2022。Ceymo数据集总共包含2887张图片#xff0c;标注了11类共4706个道路标记实例#xff0c;图片分辨率为 192010801920\times108019201080。其中#xff0c;对于每一个道路标记实例#xff0c;作者采用了三… 本文介绍一个新的道路标记检测数据集论文收录于 WACV2022。Ceymo数据集总共包含2887张图片标注了11类共4706个道路标记实例图片分辨率为 1920×10801920\times10801920×1080。其中对于每一个道路标记实例作者采用了三种标注方式多边形、bounding box以及像素级标注。 除此之外作者还提供了数据集评价指标和脚本程序在数据集上作者还使用了实例分割和目标检测两种检测方法进行对比作为baseline。从实验结果来看实例分割的方法准确度高于目标检测方法。
2021-11-17日补充 论文数据集下载地址
Train set - https://drive.google.com/file/d/1-TDEfGXtEQ4s037M_ynmV6aiOfNp2NZv/view?uspsharingTest set - https://drive.google.com/file/d/1YhWld3kxR5Ahz4Q-hy61UKI0KN_so9fa/view?uspsharing
论文链接https://arxiv.org/abs/2110.11867 1.Benchmark Dataset
首先介绍数据集收集工作作者通过车载摄像头进行录像采集然后从视频片段中提取出包含道路标记的图片。
采集完之后作者使用了labelme标注工具手动标注将道路标记标注为多边形。除了多边形标注之外还有bounding box和像素级标注下图是其中一张图片的标注结果。 下面介绍下数据集分布情况整个数据集划分为训练集2099张图片和测试集788张图片数据集分为11类统计情况如表3所示测试集划分为6个场景统计情况如表2所示。 下面是评价指标作者使用了两个评价指标首先是 F1F_1F1 评价指标当预测区域与真值区域的 IoU0.3IoU0.3IoU0.3 则预测为真阳性。 F1−score 2×precision ×recall precision recall F_{1-\text { score }}\frac{2 \times \text { precision } \times \text { recall }}{\text { precision }\text { recall }} F1− score precision recall 2× precision × recall
为了计算所有类别的平均分值作者还使用了 MarcoF1Marco F_1MarcoF1 评价指标公式为 Macro- F1−score 1C∑i1CF1-score i\text { Macro- } F_{1}-\text { score }\frac{1}{C} \sum_{i1}^{C} F_{1} \text {-score }_{i} Macro- F1− score C1i1∑CF1-score i 2.Methodology
下面介绍论文使用的检测方法。作者总共使用了两种方法如下图所示。
a目标检测方法首先将原始图片逆投影转换为鸟瞰图这有助于移除大量的背景区域只保留地面区域。作者使用的检测网络为SSD使用了两种主干网MobileNet-v1和Inception-v2。所有模型输入图片分辨率为 500×500500\times500500×500。最后再将输出的bbox转换到原始图片中。b实例分割方法使用的网络为Mark-RCNN同样也使用了两种主干网Inception-v2和ResNet-50。输入图片分辨率也为 500×500500\times500500×500。 3.Experiments Results
最后是实验设置因为在采集的数据集中存在类别不平衡问题作者首先进行了数据增强处理。如水平翻转、调整图片饱和度、亮度和对比度等。训练使用的是TensorFlow API具体细节可看原文。
下面是实验结果如下表所示可以看到实例分割方法的准确度高于目标检测方法的准确度。
